Illia Polosukhin, cofundador de NEAR Protocol ($NEAR), ha lanzado Delta League, una competencia pública que invita a cualquier persona a enviar mejoras a un modelo de inteligencia artificial abierto. La plataforma fue anunciada por Polosukhin (@ilblackdragon) y funciona con @near_ai para el ecosistema de @NEARProtocol.

Cómo funciona Delta League

Los participantes envían ediciones a los pesos de un modelo, es decir, los números internos que determinan sus respuestas. Según el sitio web de Delta League, los concursantes pueden enviar un LoRA, una diferencia de pesos dispersa o densa, o un checkpoint completo, y cada cambio preserva la procedencia del modelo. Los LoRA (adaptaciones de bajo rango) son una técnica de ajuste fino compacta que entrena solo una pequeña porción de los parámetros de un modelo, en lugar de reentrenarlo por completo. La plataforma verifica los pesos enviados y luego ejecuta validaciones y pruebas privadas, de modo que los concursantes puedan comparar sus puntuaciones con las del modelo original.

Cada edición se evalúa en un conjunto de pruebas oculto, y cada versión verificada permanece abierta para que otros la mejoren. Retener los datos de prueba es una salvaguarda estándar de evaluación en el aprendizaje automático: mide el rendimiento en ejemplos que el contribuyente nunca ha visto. Esta estructura permite a los contribuyentes ampliar el trabajo anterior en lugar de empezar de cero, con cada cambio registrado respecto al modelo que modificó.

Primera prueba con Qwen3.5 0.8B

La primera prueba utiliza Qwen3.5 0.8B, un modelo abierto pequeño; la etiqueta 0.8B se refiere a aproximadamente 800 millones de parámetros. Cinco ediciones verificadas han elevado hasta ahora su puntuación de 18,6 % a 19 %, una ganancia de 0,4 puntos porcentuales. La mejora es modesta, pero demuestra que el proceso de verificación funciona en un modelo en vivo.

Qwen3.5 es una familia de modelos de pesos abiertos de Alibaba. Según la entrada de Wikipedia sobre Qwen, Alibaba lanzó Qwen3.5 con pesos abiertos en febrero de 2026.

Próximos pasos

El soporte para cambiar el diseño de los modelos y las pruebas personalizadas para empresas llegarán en los próximos días. Permitir cambios en la arquitectura de un modelo, y no solo en sus pesos, ampliaría el rango de contribuciones que el concurso puede aceptar. Las pruebas personalizadas permitirían a las empresas medir las ediciones frente a sus propias tareas. Estas novedades, y cualquier movimiento adicional en la puntuación base, son los indicadores a seguir a corto plazo.

El lanzamiento se enmarca en el trabajo más amplio de Polosukhin sobre una IA abierta y de propiedad de los usuarios. Es coautor del artículo de 2017 "Attention Is All You Need", que introdujo la arquitectura Transformer, y ahora lidera el trabajo en NEAR AI, según Fast Company. En una entrevista en un podcast resumida por Open Commons, argumentó que liberar solo los pesos de un modelo no hace que un sistema de IA sea de código abierto, y que la verdadera apertura también requiere acceso a los datos de entrenamiento, las recetas y la metodología. Esa distinción atraviesa un debate más amplio en la industria, en el que varias familias de modelos líderes se distribuyen como pesos abiertos mientras sus datos de entrenamiento permanecen cerrados.

Delta League prueba una vía diferente hacia la mejora: cambios colaborativos y verificados sobre un modelo compartido, con resultados evaluados en datos que los concursantes no pueden ver. El formato hace eco de competencias consolidadas de aprendizaje automático como el Netflix Prize de 2009 y los concursos de Kaggle, donde participantes distribuidos mejoraban referencias compartidas. Hasta qué punto ese enfoque puede elevar modelos más grandes aún está por demostrarse, y los primeros resultados son modestos.